OpenAI의 수학적 추론 돌파구

URL: https://www.youtube.com/watch?v=1JvyLGd2Sfs
날짜: 2026-09-09
채널: a16z
원문 제목: Inside OpenAI’s Breakthroughs in Mathematical Reasoning

📌 핵심 질문 / 이 대화가 다루는 핵심 논점

==Astra의 수학적 성과는 단순히 더 많은 후보를 무작위로 탐색한 결과가 아니라, 인간 수학자가 하는 것처럼 유망한 방법을 고르고 실패한 경로를 버리며 여러 분야의 아이디어를 결합하는 일반 목적 추론의 진전인가?==

• GPT-5는 미해결로 표시된 에르되시 문제의 문헌 상태를 확인하고 관련 참고문헌을 찾아내는 데서 강력한 전환점을 만들었다.
• Astra는 구면 포장(sphere packing), 구면·이진 코드(spherical and binary codes), 비소픽 군(non-sofic group)처럼 오랫동안 정체된 문제에서 짧고 정확한 증명과 더 나은 경계를 제시했다.
• 모델의 추론 흔적에는 아이디어 선택, 실패한 접근의 백트래킹, 확률 갱신, 세부 논증의 실행이 나타나며, 전문 수학자의 작업 노트와 놀랄 만큼 비슷하다.
• 증명 생산량이 폭증하면 수학의 병목은 증명 자체에서 결과를 이해하고 서로 연결하며 다른 사람에게 전달하는 공동체적 이해로 이동한다.

Lisha Li는 OpenAI 수학자 Mehtaab Sawhney와 Mark Sellke에게 GPT-5가 수학에서 전환점이 된 이유, Astra가 실제로 어떤 문제를 어떻게 풀었는지, 모델의 ‘수학적 감각(taste)’이 어디까지 발전했는지, 수학 공동체가 어떤 방식으로 적응해야 하는지를 묻는다. 두 수학자는 AI의 강점이 지식 검색에만 있지 않다고 설명한다. 모델은 인간이 시간 부족으로 포기할 만한 아이디어를 장기간 밀어붙이고, 잘못된 경로가 남긴 인지적 오염 없이 새 세션으로 다시 시작하며, 필요한 여러 조각을 이어 붙여 짧은 증명을 완성한다.

1. 인간 수학자에서 OpenAI로: GPT-5가 만든 전환점

GPT-5의 수학적 성능은 수학자의 작업 흐름에 AI를 단순 계산기가 아닌 연구 파트너로 편입시킬 만큼 강력했다.

1.1. Mark Sellke와 Mehtaab Sawhney의 합류

1. Astra 이전부터 수학 연구를 하던 두 사람

   1. Mark Sellke와 Mehtaab Sawhney는 모두 실무 수학자로 활동했고, 서로 공동 논문을 쓴 협력자였다.
   2. Mark는 전년도 여름 국제수학올림피아드(IMO) 금메달 수준의 결과를 보고 AI가 수학에서 어디까지 도달했는지 직접 확인하고 싶어 OpenAI에 합류했다.
   3. Mark가 가을에 Mehtaab에게 GPT-5 계정을 제공했고, Mehtaab은 모델을 직접 사용하면서 수학 연구 도구로서의 가능성을 빠르게 확신했다.

2. 에르되시 문제에서 확인한 첫 번째 실용적 돌파

   1. 폴 에르되시(Paul Erdős)가 남긴 문제 모음에는 조합론의 핵심 문제를 포함해 ‘미해결’로 표시된 문제가 많지만, 실제로 문헌 어디엔가 해결책이 발표됐는지 확인하기가 어렵다.
   2. Mehtaab은 한 문제를 GPT-5에 입력했고 약 5분 뒤 관련 참고문헌과 해결 방법을 받았다.
   3. 친구들과 이미 몇 시간 동안 그 문제가 도달 가능한 난이도인지 논의했지만 결론을 내리지 못한 상태에서, 모델은 해당 문제가 풀려 있으며 어떤 방식으로 풀 수 있는지 알려줬다.
   4. 추가로 비슷한 사례를 열 건 더 찾으면서, 문헌 연결과 검색만으로도 연구 시간을 크게 줄일 수 있음을 확인했다.

1.2. 검색을 넘어선 능력

1. 넓은 문헌 기억은 여전히 상대적 강점이다

   1. 모델은 여러 분야의 결과를 동시에 참조하고, 서로 멀리 떨어진 아이디어 사이의 연결을 찾아 유망한 출발점을 고르는 데 유리하다.
   2. 이 강점은 어떤 문제를 풀 수 있는지 판단하는 초기 단계와, 이미 누군가 해결한 문제를 다시 풀지 않도록 확인하는 단계에서 특히 중요하다.

2. 아이디어를 끝까지 실행하는 능력이 별도의 병목을 제거한다

   1. 사람이 아이디어를 떠올려도 실제 증명에는 모든 조건을 맞추는 긴 작업이 필요하다. 예를 들어 (\epsilon)과 (\delta)의 순서와 크기를 끝까지 관리해야 한다.
   2. 인간은 이런 세부 조건을 따라가다 길을 잃기 쉽지만, 모델은 일단 올바른 방향을 잡으면 세부 논증을 빠뜨리지 않고 실행하는 데 강하다.
   3. 수학 연구는 아이디어를 얻는 것보다 그 아이디어가 정말 작동하도록 만드는 데 더 큰 시간이 들 때가 많으며, 모델은 바로 이 구간을 장시간 담당할 수 있다.

2. 추론 흔적에 나타난 수학자의 작업 방식

Astra의 강점은 ‘모든 가능성을 시도하는 brute force’가 아니라, 제한된 탐색에서 좋은 선택을 연속으로 해 거대한 검색 공간을 가지치기하는 데 있다.

2.1. 인간이 포기하는 길을 계속 시도하는 집요함

1. 아이디어의 실패와 인간의 시간 예산

   1. 인간 수학자는 아이디어가 작동할 것 같으면 몇 시간, 며칠, 몇 주 동안 시도하다가 어느 순간 포기한다.
   2. 뒤늦게 다른 연구자가 같은 아이디어를 성공시키는 일은 드물지 않다. 아이디어가 틀린 것이 아니라, 세부 실행에 필요한 시간과 집중력이 부족했던 경우가 많다.
   3. Andrew Wiles처럼 한 문제에 10년을 투자할 수 있는 예외도 있지만, 대부분의 연구자는 실패 확률과 보상 사이의 위험-보상 비율을 계산해 일찍 다른 문제로 이동한다.

2. 모델의 ‘인간이 시키면 끝까지 해보는’ 태도

   1. 모델은 사람이 “이 방향을 시도하라”고 지정하면, 인간이 시간 부족으로 중단할 때도 계속 세부 단계를 밀어붙인다.
   2. 모델은 무한히 많은 아이디어를 모두 시도하지 않는다. 지식과 수학적 판단을 이용해 제한된 후보만 고르고, 그 후보들의 검색 트리를 집요하게 탐색한다.
   3. 구면 포장 문제에서 기존 연구와 비슷한 아이디어를 출발점으로 삼으면서도, 끝까지 밀어붙여 누구도 정리하지 못한 경계를 완성한 점이 이 강점을 보여준다.

2.2. 백트래킹과 문맥 오염의 관리

1. 잘못된 경로를 사람이 버리기 어려운 이유

   1. 사람이 한 방향으로 오래 고민하면 최초 아이디어가 실패한 세부 사항들과 머릿속에서 얽힌다.
   2. 잘못된 계획을 내려놓고 처음부터 다른 방향으로 다시 생각하려 해도, 이전 시도의 직관과 기억이 새 탐색을 오염시킨다.
   3. 인간은 지난주 자신의 상태를 복제해 “이 경로는 잊고 다른 경로를 시도하라”고 지시할 수 없다.

2. 모델이 실패를 정보로 사용하는 방식

   1. Astra의 추론 흔적에는 명시적인 오류, 실패한 계산, 접근법의 폐기와 재시도가 나타난다.
   2. 한 접근이 실패하면 그 방법의 성공 가능성을 낮추고 다른 경로를 더 유망하게 평가하는 식으로 확률을 갱신한다.
   3. 새 모델 세션을 병렬로 실행하면 이전 실패의 문맥을 전혀 물려받지 않은 탐색자를 만들 수 있다.
   4. 따라서 AI의 성과는 한 번의 운 좋은 샘플뿐 아니라, 백트래킹·병렬 탐색·실패 정보의 갱신이 결합된 결과로 해석해야 한다.

3. 전문가 작업 노트와 비슷한 추론 흔적

   1. OpenAI가 요약한 chain of thought를 공개한 이유는 결과만 보면 모델이 무작위로 답을 맞힌 것인지, 인간과 전혀 다른 방식으로 추론한 것인지 판단하기 어렵기 때문이다.
   2. 실제 흔적은 완성된 교과서처럼 깔끔하지 않고 다소 정리되지 않았지만, 동료 수학자가 이메일로 생각을 쏟아내는 작업 노트와 비슷하다.
   3. 유망한 접근을 고르고 실패한 접근을 버리며 다른 논문에서 필요한 조각을 찾아 결합하는 흐름은 전문 수학자의 연구 과정과 구조적으로 닮았다.

2.3. 수학 논문은 왜 수학적 사고의 나쁜 훈련 자료인가

1. 완성된 논문이 숨기는 탐색 과정

   1. 수학 논문은 이미 정리된 정의와 정돈된 증명을 제공하지만, 왜 그런 정의가 필요했는지, 어떤 실패가 현재의 정식화를 만들었는지 거의 보여주지 않는다.
   2. 교과서 역시 결과를 가장 깨끗한 순서로 배열하기 때문에 실제 연구자가 느낀 막막함과 시행착오를 제거한다.
   3. 예를 들어 엄밀한 실해석을 처음 배울 때 정의가 왜 그렇게 추상적인지 이해하려면, 그 정의가 필요해진 문제와 실패한 직관을 함께 알아야 한다.

2. 모델이 일반 목적 추론으로 수학적 행동을 얻는 이유

   1. OpenAI는 특정 증명을 Lean으로 자동 형식화하는 것만으로 수학자의 사고 방식을 직접 학습시키기보다, 여러 영역에서 더 오래 더 잘 추론하는 일반 목적 모델을 훈련한다.
   2. 백트래킹, 다시 시작하기, 실패한 경로의 가치 하락은 수학에만 고유한 기술이 아니라 어려운 작업 전반에 필요한 일반 추론 도구다.
   3. 수학에서 관찰된 전문적 행동은 수학 논문을 그대로 모방한 결과라기보다, 장기 추론을 강화했을 때 자연스럽게 나타난 일반 행동의 한 사례로 볼 수 있다.

3. 코드 데이터와 수학 데이터의 차이

   1. 코드는 긴 문맥과 구조적으로 서로 연결된 구문을 제공해 모델이 일관된 산출물을 만들기 좋은 훈련 자료다.
   2. 그러나 코드도 문법은 보여주면서 그 문법이 왜 필요한지, 어떤 설계 판단이 코드를 만들었는지에 관한 상위 의미론은 충분히 담지 못한다.
   3. 수학 논문은 완성된 결과가 강하게 정리되어 있어 연구 동기와 선택의 맥락이 더 많이 사라진다.
   4. 그럼에도 일반 목적 추론이 충분히 강화되면 모델은 결과물의 표면 형식을 복사하는 수준을 넘어, 문제 해결에 필요한 탐색 패턴을 재현할 수 있다.

3. Astra의 첫 번째 사례: 고차원 구면 포장

구면 포장은 단순한 그림에서 출발하지만, 차원이 높아질수록 밀도와 최적성에 관한 지식이 급격히 사라지는 문제다.

3.1. 차원에 따른 문제의 모습

1. 기본 질문

   1. 반지름이 1인 동일한 구를 겹치지 않게 배치할 때, (d)차원 공간을 얼마나 높은 밀도로 채울 수 있는지가 질문이다.
   2. (d=1)에서는 구가 단위 선분이므로 실직선을 빈틈없이 덮을 수 있다.
   3. (d=2)에서는 원을 육각 격자(hexagonal lattice)로 배치하는 그림이 자연스럽지만, 이 배치가 최적인지 증명하는 일은 직관만큼 쉽지 않았고 1960년대에야 해결됐다.
   4. (d=3)에서는 식료품점에서 오렌지를 쌓는 방식이 답으로 보이지만, 케플러 추측은 Hales가 2000년대에 해결했고 증명은 수백 쪽에 이르는 길고 섬세한 논증이다.

2. 정확히 알려진 특별한 차원

   1. 8차원과 24차원에서는 각각 E8 격자와 Leech lattice가 등장한다.
   2. 두 격자는 다른 수학 분야에서 온 매우 규칙적이고 아름다운 구조이며, 해당 차원에서 최적의 구 포장을 제공한다.
   3. 8차원과 24차원의 최적성은 2010년대에 해결됐지만, 1·2·3·8·24차원을 제외하면 일반 차원에서 최적 포장을 정확히 아는 경우는 극히 제한적이다.
   4. 벌이 벌집을 육각형으로 만든다는 관찰은 2차원 직관을 주지만, 고차원 최적성을 설명하는 수학적 논증을 대신하지 못한다.

3. 고차원에서 밀도가 사라지는 방식

   1. 최밀도 (\delta_d)에는 간단한 하한 (2^{-d})이 있다.
   2. 더 이상 구를 추가할 수 없는 maximal packing을 잡으면, 각 구의 반지름을 두 배로 키운 구들이 공간 전체를 덮어야 한다.
   3. 그렇지 않으면 비어 있는 지점에 새 구를 넣을 수 있으므로, 원래 구들이 차지하는 비율은 적어도 (2^{-d})가 된다.
   4. 반면 고차원에서는 구의 부피가 급격히 작아져 최적 밀도도 지수적으로 감소한다. 입방 격자의 각 꼭짓점에 구를 놓아도 중심의 빈틈에 또 다른 구를 넣을 수 있을 만큼 고차원 직관은 저차원과 다르다.

3.2. Cohn–Elkies 선형계획법 경계

1. 문제를 함수 하나의 조건으로 바꾸기

   1. Cohn–Elkies 방법은 구 포장 문제를 무한 차원 선형계획(linear programming) 문제로 바꾼다.
   2. (f:\mathbb{R}^d\to\mathbb{R})인 보조 함수를 고르되, 거리 1보다 멀리 떨어진 곳에서 (f(x)\le 0)이고 푸리에 변환 (\hat f)가 항상 음이 아닌 조건을 요구한다.
   3. 이 조건을 만족하는 함수의 (f(0)/\hat f(0)) 비율과 반지름 1/2 공의 부피를 이용해 (\delta_d)의 상한을 얻는다.
   4. 푸리에 변환이 선형 연산이므로 함수 조건은 선형계획의 형태를 갖지만, 최적 함수를 실제로 찾고 그 경계를 증명하는 일은 매우 어렵다.

2. 8·24차원에서 일어난 기적

   1. Maryna Viazovska는 8차원과 24차원의 최적 격자와 정확히 맞아떨어지는 보조 함수를 구성했다.
   2. 함수의 상한이 실제 포장 밀도와 일치하려면 좋은 함수를 만드는 일과 그 함수가 최적이라는 사실을 동시에 증명해야 하므로, 두 조건이 함께 성립하는 것은 특별한 현상이다.
   3. 고차원 일반 문제는 자연스럽고 간단한 함수 조건으로 표현되지만, 그 최적 경계가 어떤 구조를 갖는지는 오랫동안 수수께끼였다.

3. Astra가 완성한 고차원 점근선

   1. 기존 수치 계산 연구는 Cohn–Elkies 선형계획 경계가 어떤 점근식을 가질지 매우 정교하게 추측했지만, 왜 그 값이 나오는지는 설명하지 못했다.
   2. Astra는 그 추측값을 만드는 보조 함수와, 그보다 더 나은 값을 만드는 보조 함수가 존재할 수 없다는 것을 함께 보였다.
   3. 대화에서 소개된 점근식은 (LP_d^{1/d}\to\sqrt{e/(2\pi)})이며, 이에 따라 포장 밀도 상한은 대략 (\delta_d\le 2^{-(0.6044\ldots+o(1))d})가 된다.
   4. 이는 1978년의 Kabatiansky–Levenshtein 경계인 약 (2^{-0.59905576d}) 이후 일반 고차원 지수 경계를 개선한 결과이며, 단순한 수치 개선이 아니라 Cohn–Elkies 방법이 도달할 수 있는 최선의 지수를 닫은 결과다.
   5. Mark Sellke는 대학원생 시절 이 문제를 약 6개월 고민하고도 진전을 만들지 못했으며, Astra의 몇 쪽짜리 복소해석 증명이 “왜 아무도 이전에 이렇게 하지 않았을까?”라는 좋은 수학의 감각을 보여줬다고 설명한다.

3.3. 구면 포장과 구면·이진 코드의 연결

1. 구면 코드와 이진 코드의 직관

   1. 구면 코드(spherical code)는 다른 큰 구의 표면 위에 작은 구를 배치하는 것처럼, 구면 표면에서 점 사이의 최소 거리를 최대화하는 문제다.
   2. 이진 코드(binary code)는 길이 (n)인 비트열을 (n)차원 하이퍼큐브의 꼭짓점으로 보고, 허용할 코드워드 사이에 큰 해밍 거리(Hamming distance)를 두는 문제다.
   3. 통신 중 비트 일부가 뒤집혀도 원래 메시지를 복원하려면 코드워드가 충분히 떨어져 있어야 한다.
   4. 영어 문장도 약간의 오타가 있어도 의미를 복원할 수 있는 자연스러운 오류 정정 코드의 사례로 볼 수 있다.

2. 실용적 질문과 고차원 한계

   1. 오류율이 1%인 통신에서 오류를 견디려면 원래 메시지보다 비트열을 얼마나 길게 만들어야 하는지는 정보이론의 기본 한계와 연결된다.
   2. 구면 코드와 이진 코드는 모양은 다르지만, 고차원에서 얼마나 많은 서로 충분히 떨어진 점을 배치할 수 있는지 묻는다는 점에서 같은 구조를 공유한다.
   3. 구면의 작은 영역만 볼 때 곡률이 사라지고 평평한 공간의 구 포장처럼 보이므로, 구면 코드의 결과가 구 포장 경계와 연결된다.

3. 표현론으로 대칭을 밀어붙인 개선

   1. 구 포장 경계가 복소해석에 기대는 것과 달리, 구면·이진 코드 개선은 구와 큐브가 가진 대칭을 표현론(representation theory)으로 활용한다.
   2. 기존 방법도 대칭을 일부 사용했지만, Astra는 대수적 대칭을 더 깊게 식에 넣어 이전보다 강한 경계를 도출했다.
   3. 표현론 공식에서 구면 코드의 작은 구 극한을 취하면 구 포장 결과의 값이 되돌아오므로, 두 결과의 연결은 우연이 아니다.
   4. 이진 코드의 최대 크기에 대한 상한을 모든 최소 거리에서 지수적으로 개선하고, 구면 코드에도 대응하는 개선을 얻는 것이 이 문제 묶음의 의미다.

4. 상호작용이 들어간 유일한 사례

   1. 대부분의 문제는 모델에 문제를 입력한 뒤 모델이 독립적으로 해결안을 제시하도록 했다.
   2. 코드 문제에서는 처음에 “경계를 개선하라”고 요청했고, 모델은 지수적 인자를 개선했지만 더 멀리 밀어붙이지 않았다.
   3. 연구자들이 “더 밀어붙이면 어떻게 되는가?”라고 다시 묻자 모델은 더 정교한 표현론을 적용했고, 그 과정에서 구 포장의 추측값이 도출됐다.
   4. 연구자들이 이어서 구 포장 자체를 직접 분석하라고 요청하면서 전체 그림이 완성됐다.

4. 모델·하네스·수학적 감각(taste)

Astra의 성과는 순수한 모델 능력과 문제를 제시하는 하네스(harness), 그리고 어느 방향을 더 탐색할지 결정하는 인간 판단의 결합으로 나타난다.

4.1. 하네스가 하는 일

1. 좋은 질문은 탐색 범위를 정한다

   1. “지수 인자를 개선하라”는 요청은 모델이 전체 점근식의 선두 상수에 집중하게 만들었다.
   2. 모델이 처음부터 가능한 모든 일반화를 스스로 시험하지 않은 것은 능력이 없어서가 아니라, 주어진 과제를 달성한 뒤 멈추는 task-oriented 성향 때문일 수 있다.
   3. “더 밀어붙여라”라는 짧은 추가 지시는 이미 발견한 구조가 더 확장될 수 있다는 인간의 판단을 탐색에 반영했다.

2. 새 세대 모델은 하네스 의존도를 낮춰왔다

   1. 이전 세대에는 연구자가 더 많은 프롬프트와 탐색 절차를 설계해야 했지만, 세대가 올라갈수록 더 적은 지시로 더 긴 작업을 수행한다.
   2. 그러나 문제를 어떤 방향으로 제시할지, 모델이 낸 중간 구조가 유망한지 판단하는 하네스의 역할은 여전히 남는다.
   3. 어려운 증명은 하나의 천재적 아이디어만으로 끝나지 않고 여러 작은 아이디어가 상호작용해야 하므로, 연속된 작업 단위를 얼마나 길게 유지할 수 있는지가 핵심 지표다.

4.2. 수학적 감각을 실용적으로 정의하기

1. 감각은 더 어려운 문제를 더 빨리 푸는 판단력이다

   1. Mark Sellke는 taste를 절대적 미학으로 정의하기보다, 더 나은 판단으로 문제를 더 빨리 해결하는 능력의 실용적 대리 지표로 본다.
   2. 더 어려운 문제를 해결한다는 사실 자체가 성공 확률이 낮은 접근을 버리고 좋은 경로를 선택하는 능력이 커졌다는 뜻이다.
   3. 모델이 어떤 돌파를 이룬 뒤에도 그 사실을 끝까지 확장하지 않는 현상은, 감각이 없어서라기보다 할당된 과제를 끝내면 멈추는 task-oriented 행동으로 설명할 수 있다.

2. 장기 실행과 감각을 분리하는 구조

   1. 장시간 문제를 해결하는 모델과 그 진행 방향을 평가하는 감독 모델을 분리하면, 긴 탐색의 문맥과 상위 판단의 문맥이 서로 오염되는 것을 줄일 수 있다.
   2. 사람도 혼자 한 방향에 갇혔을 때 친구가 “지금 무엇을 하고 있나?”라고 묻는 것만으로 몇 초 만에 관점을 회복한다.
   3. 여러 사람이 함께 일할 때 한 사람의 장기 집중과 다른 사람의 외부 시점이 결합되듯, 모델 집단에도 장기 실행자와 감각을 제공하는 검토자의 역할 분담이 가능하다.

3. 문제 선택도 감각의 일부다

   1. 좋은 방법을 갖고 있어도 어떤 문제에서 그 방법이 잘 작동할지 모르면 연구 자원을 낭비한다.
   2. 특정 방법이 성공할 만한 문제를 알아보는 ‘코’를 갖는 일은 절대적 미학과 다른 실용적 감각이다.
   3. 어려운 작업을 반복해서 성공적으로 끝내는 능력은 어떤 문제와 방법을 선택해야 하는지에 대한 감각을 부수적으로 만들어낼 가능성이 있다.

5. Astra의 두 번째 사례: 비소픽 군의 존재

Astra는 모든 군이 유한 구조로 근사될 수 있다는 기대를 깨고, 명시적인 비소픽 군(non-sofic group)을 구성했다.

5.1. 군과 소픽성의 기본 그림

1. 군은 대칭과 연산을 추상화한다

   1. 군(group)은 원소들의 집합과 곱셈 연산을 갖고, 연산의 결합법칙·항등원·각 원소의 역원을 만족한다.
   2. 원소는 수, 행렬, 회전처럼 어떤 연산을 합성한 결과로 생각할 수 있다.
   3. 정사각형의 회전은 네 원소를 갖는 유한군의 예이고, 원의 회전은 비가산적으로 많은 원소를 갖는 군의 예다.

2. 소픽 군의 의미

   1. 소픽 군은 대략 유한군으로 근사할 수 있는 유한 또는 가산 무한 군을 뜻한다.
   2. 모든 군이 이런 방식으로 근사 가능한지 오랫동안 알지 못했다.
   3. Astra의 결과는 유한한 순열 구조로 아무리 정교하게 근사해도 근사할 수 없는 가산 군이 실제로 존재한다는 명시적 구성이다.

3. 왜 이 질문이 중요했는가

   1. 유한군에서 성립하는 좋은 성질을 소픽 근사를 통해 더 일반적인 군으로 옮길 수 있다는 희망이 있었다.
   2. 소픽이면 surjunctive라는 성질을 갖는다는 사실이 알려져 있었고, surjunctivity는 군 위의 동역학계에 관한 성질이다.
   3. 원래 1970년대 Gottschalk가 모든 군이 surjunctive인지 물었고, 유한군의 결과를 근사로 확장할 수 있다는 패턴이 모든 군의 소픽성 질문을 자극했다.

5.2. 정수와 유한 순환군으로 이해하는 근사

1. 정수의 Cayley graph

   1. 정수의 각 점을 가장 가까운 두 이웃과 연결하면 무한한 직선 모양의 Cayley graph가 된다.
   2. 정수를 (n)으로 나눈 나머지, 즉 (\mathbb{Z}/n\mathbb{Z})를 그리면 큰 원 모양의 유한 그래프가 된다.
   3. 원의 한 점 주변을 국소적으로 보면 직선과 구별하기 어렵고, 원 전체를 한 바퀴 돌아야 전역 구조가 드러난다.
   4. 정수와 (\mathbb{Z}/n\mathbb{Z})는 모두 군이며, 유한 순환군들이 정수군의 소픽 근사를 제공한다.

2. Aldous–Lyons 추측과의 관계

   1. 모든 군이 소픽이라는 명제는 더 넓은 종류의 그래프도 큰 유한 그래프로 근사할 수 있다는 Aldous–Lyons 추측과 연결된다.
   2. Aldous–Lyons 추측은 비결합적 대칭을 허용하는 무작위 unimodular graph까지 다루므로, 군에서 나오는 결정론적 Cayley graph만 다루는 소픽성보다 강한 명제다.
   3. Aldous–Lyons 추측은 약 2년 전 양자 계산 복잡도와 연결된 250쪽 안팎의 논문과 기존 200쪽 작업을 이어 붙인 연구로 반증됐지만, 이는 더 강한 명제를 반증한 것이어서 모든 군의 소픽성 문제 자체를 해결하지는 못했다.

5.3. 짧고 섬세한 반례 증명

1. 기존의 큰 다리 없이 군론 안에서 해결

   1. Aldous–Lyons 반증은 여러 분야를 잇는 복잡한 도구를 사용했지만, Astra의 비소픽 군 증명은 약 15쪽 분량으로 군론의 영역에 머문다.
   2. 기존 수학자들의 중요한 결과를 활용하면서도, 양자 복잡도 이론으로 우회하지 않고 군의 구조 자체에서 반례를 만든다.
   3. ‘모든 군을 유한 구조로 근사할 수 있다’는 추상적 부정 명제를 구체적인 군으로 바꾼 점이 핵심이다.

2. 모델이 제거한 조합론적 장애물

   1. 소픽성은 가능한 모든 유한 근사를 다뤄야 하므로, 어떤 군이 소픽이 아니라고 직접 보이기 어렵다.
   2. 기존 논문들은 특정한 조합론적 장애물이 발생할 가능성을 완전히 배제하지 못했다.
   3. Astra는 기존 문헌이 암시하던 ‘이상한 공모(conspiracy)’를 정확히 겨냥하고, 하나의 추가적인 대수적 사실을 결합해 그 공모가 일어날 수 없음을 보였다.
   4. 정확한 정리와 필요한 문헌 조각을 고른 뒤, 매우 섬세한 조합론 논증을 끝까지 실행한 것이 성과의 본체다.

3. 짧은 증명이 주는 접근성

   1. 연구자들은 AI가 수천 쪽짜리 이해 불가능한 증명을 쏟아낼 것을 걱정했지만, 지금까지의 반례와 구성 결과는 오히려 짧고 우아한 경우가 많았다.
   2. 200쪽짜리 복잡한 증명을 만들어내는 능력은 현재 인간도 충분히 갖고 있지만, Astra의 결과는 사람이 읽고 이해할 수 있는 크기의 증명을 제공한다.
   3. 짧은 증명은 결과 검증뿐 아니라 후속 연구자가 핵심 아이디어를 변형하고 일반화하는 데도 유리하다.

6. 증명이 많아질 때 수학의 병목이 바뀌는 방식

AI가 증명을 생산하면 수학은 더 쉬워지는 동시에 더 많은 결과를 감당해야 하며, 이해·정리·전달의 가치가 커진다.

6.1. 생산과 흡수의 선순환

1. AI는 새로운 수학의 양을 늘린다

   1. 모델은 인간이 수개월 또는 수년 동안 미뤄둔 문제를 여러 개 시도하고, 접근 가능한 결과를 빠르게 늘린다.
   2. 연구자들이 직접 후속 논문을 모두 쓰기보다, 공동체가 결과를 읽고 확장해 새로운 예와 일반화를 만들기를 기대할 수 있다.
   3. 비소픽 군 결과를 바탕으로 원래 아이디어를 만든 연구자들이 이미 후속 결과를 발표하기 시작한 사례는 이러한 확산의 시작이다.

2. AI는 흡수 속도도 높인다

   1. 수학자가 아카이브에서 이해하고 싶은 논문을 찾았을 때, PDF를 모델에 넣고 전체 증명 전략을 먼저 설명받으면 처음부터 혼자 읽는 것보다 빠르게 구조를 파악할 수 있다.
   2. 모델이 어려운 수학을 생산할 수 있다는 사실은 모델이 어려운 수학을 설명하고 이해시키는 데도 유용하다는 뜻이다.
   3. 생산량의 폭증이 흡수 병목을 만들지만, 같은 도구가 거친 설명·핵심 전략·배경 개념을 제공해 그 병목을 일부 해소한다.

6.2. 수학자의 역할과 평가 기준

1. 증명 이전에 붙어 있던 이해가 분리된다

   1. 과거에는 직접 결과를 증명한 사람이 자동으로 그 결과를 깊이 이해하고, 결과의 맥락을 유지하며 다른 사람에게 설명했다.
   2. 증명 자체가 덜 희소해지면 결과를 만들기, 이해하고 내면화하기, 인류 지식의 어디에 배치할지 판단하기가 서로 분리된 기여가 된다.
   3. AI가 만든 결과를 검증하고 서로 연결하며 다른 사람이 사용할 수 있는 개념적 틀로 바꾸는 역할이 더 명시적으로 평가돼야 한다.

2. 공동체적 이해가 핵심 자산이 된다

   1. 복잡한 결과를 인간이 감상하고 활용할 수 있는 언어로 설명하는 일은 단순한 대중화가 아니라 연구 인프라다.
   2. 수학자는 무엇이 중요한지, 어떤 정리가 다른 정리와 연결되는지, 다음 문제를 어느 방향으로 고를지 공동체에 제공해야 한다.
   3. AI 시대에는 결과의 저자성·공로 배분·공동 저자 표기·테뉴어 평가 같은 제도도 이 분리된 역할을 반영해야 한다.

6.3. 경험적 수학과 이론적 수학의 균형

1. 증명 생산량이 많아져도 큰 미스터리는 남는다

   1. AI가 지수적으로 좋아져도 P 대 NP처럼 천장이 매우 높은 문제는 앞으로도 해결되지 않을 가능성이 있다.
   2. 일상적이고 반복적인 작은 미스터리는 모델이 빠르게 처리하고, 수학의 중심은 더 크고 깊은 미스터리로 이동할 수 있다.
   3. 이것은 수학이 단순 경험과 실험으로 축소된다는 뜻이 아니라, 증명·탐색·설명·통합의 비중이 다시 배분된다는 뜻이다.

2. 이해를 제공하는 사람이 더 중요해진다

   1. 결과를 적절한 프레임에 배치하고, 인간이 감상하고 다음 작업에 사용할 수 있게 만드는 능력이 핵심 전문성이 된다.
   2. 새로운 증명을 단순히 나열하는 것보다, 왜 그 방법이 작동하는지와 어떤 문제에 재사용할 수 있는지를 설명하는 일이 더 희소해진다.
   3. 인간의 taste는 완전히 사라지지 않고, 문제 선택·방법 선택·결과의 의미 부여·공동체 전달에서 계속 작동한다.

7. 수학 공동체와 다른 분야를 위한 채택 전략

AI를 연구 흐름에 넣는 일은 한 번의 자동화보다 탐색자·검토자·설명자 역할을 분리하고 검증 루프를 설계하는 문제다.

7.1. 개인 연구자가 바로 적용할 수 있는 흐름

1. 문헌 상태를 먼저 확인한다

   1. 미해결 목록의 표기만 믿지 말고 모델로 관련 문헌·후속 정리·다른 이름의 동일 문제를 검색한다.
   2. 모델이 찾은 참고문헌은 원문으로 재검증하고, 문제의 현재 상태와 증명의 범위를 구분한다.

2. 큰 문제를 연속된 하위 과제로 나눈다

   1. 먼저 구조와 목표 경계를 설명하게 한 뒤, 기존 방법의 개선·한계 분석·일반화·반례 탐색을 분리한다.
   2. 한 번에 “모든 것을 해결하라”고 하기보다 “이 경계를 더 밀어붙여라”처럼 유망한 중간 성과를 다음 과제로 연결한다.
   3. 실패한 접근의 로그와 새 세션의 독립 탐색을 함께 운영해 문맥 오염과 단일 경로 고착을 줄인다.

3. 사람의 판단은 검색보다 방향 설정에 쓴다

   1. 모델이 어떤 중간 결과를 냈는지 읽고 더 탐색할 가치가 있는 구조를 선택한다.
   2. 장기 실행 모델과 외부에서 문제를 재정의하는 검토자를 분리한다.
   3. 최종 증명은 독립적인 전문가 검토와 형식 검증을 통과시켜 모델의 설득력과 수학적 타당성을 구분한다.

7.2. 비전문가와 응용 분야의 기회

1. 전문가 접근성의 병목이 낮아진다

   1. 특정 분야의 세계적 전문가를 직접 찾지 못해도 모델에게 핵심 개념과 해당 분야 논문의 구조를 설명받을 수 있다.
   2. 다른 분야에서 온 연구자가 기존 수학을 빠르게 흡수해 새로운 직관과 문제를 제시할 가능성이 커진다.
   3. 수학을 직업으로 삼지 않는 사람도 오래 궁금했던 미스터리의 답을 이해하고, 결과를 다른 작업에 사용할 수 있다.

2. 응용 수학의 속도가 빨라질 수 있다

   1. 이론물리학처럼 이미 고급 수학을 필요로 하지만 전문가 확보가 병목인 분야는 모델의 설명과 탐색 지원을 받을 수 있다.
   2. 공학·통신·암호·최적화 같은 응용 영역은 증명뿐 아니라 새로운 모델링과 경계 계산의 속도 향상을 기대할 수 있다.
   3. 응용 수학이 훨씬 빠르게 발전하는 것은 연구자와 사회 모두에게 긍정적인 결과가 될 수 있다.

주요 발언 모음

“수학에서 아이디어를 얻는 것보다 아이디어가 작동하도록 만드는 일이 큰 전투의 일부일 때가 많다.”

“모델은 모든 아이디어를 시도하는 것이 아니라, 지식과 좋은 수학적 판단을 이용해 올바른 경로를 고른다.”

“추론 흔적을 읽으면 모델이 전문 인간 수학자처럼 놀랄 만큼 비슷하게 추론한다는 사실이 보인다.”

“감각은 더 나은 판단으로 문제를 더 빨리 해결하는 능력의 가장 좋은 실용적 대리 지표다.”

“AI는 수학을 기하급수적으로 더 많이 만들 뿐 아니라, 그 수학을 훨씬 쉽게 흡수하게도 만든다.”

“증명을 만드는 일이 덜 희소해지면, 결과를 인간이 이해할 수 있는 틀에 넣는 일이 점점 더 명시적이고 가치 있는 역할이 된다.”

핵심 데이터 & 수치

• 영상 길이: 1시간 5분 16초.
• Astra 문제 묶음: 수학·이론 컴퓨터과학의 장기 미해결 또는 정체 문제 10개.
• GPT-5 문헌 검색 사례: 에르되시 문제의 관련 참고문헌을 약 5분 만에 발견했고, 비슷한 사례를 10건 추가로 확인했다.
• 구 포장 하한: maximal packing과 반지름 2배 확장 논리로 (\delta_d\ge 2^{-d}).
• 기존 고차원 상한: Kabatiansky–Levenshtein 경계 약 (2^{-0.59905576d}).
• Astra가 소개한 Cohn–Elkies 점근식: (LP_d^{1/d}\to\sqrt{e/(2\pi)}), 따라서 (\delta_d\le 2^{-(0.6044\ldots+o(1))d}).
• 정확히 해결된 대표 구 포장 차원: 1, 2, 3, 8, 24차원.
• 비소픽 군 증명 분량: 약 15쪽으로 소개됐다.
• Aldous–Lyons 반증과 비교: 양자 복잡도와 연결된 약 250쪽 작업과 기존 약 200쪽 작업에 비해 훨씬 짧다.
• 장기 미해결의 상한선: AI가 지수적으로 발전해도 P 대 NP 같은 문제는 계속 남을 수 있다.

결론 및 시사점

1. 수학적 추론의 핵심 진전은 탐색량이 아니라 선택의 질이다: Astra는 모든 경로를 무차별적으로 시험하지 않고, 문헌 지식과 중간 실패를 이용해 검색 트리를 줄인다.
2. 장기 실행은 인간 연구자의 시간 예산을 바꾼다: 사람이 몇 주 뒤 포기할 아이디어를 모델이 계속 실행하면서, 이미 알려진 방향의 세부 난제를 돌파할 수 있다.
3. 백트래킹은 일반 목적 추론의 핵심 행동이다: 수학에서 드러난 실패 경로 폐기와 새 시작은 다른 장기 작업에도 재사용될 수 있다.
4. 수학 논문만으로는 연구 과정의 동기를 충분히 가르치기 어렵다: 완성된 결과가 숨기는 선택과 실패를 모델이 일반 추론 과정에서 재현할 수 있는지가 중요하다.
5. 하네스와 모델은 대체 관계가 아니라 역할 분담 관계다: 모델은 장기 실행을 담당하고, 인간 또는 감독 모델은 유망한 방향과 과제의 범위를 정한다.
6. taste는 측정 가능한 결과와 연결할 수 있다: 더 어려운 문제를 더 빠르게 해결하고 더 넓은 경로를 효율적으로 가지치기하는 능력이 실용적 taste다.
7. 짧은 AI 증명은 후속 연구를 촉진한다: 읽고 검증할 수 있는 크기의 증명은 반례와 일반화를 공동체가 빠르게 이어가게 한다.
8. 수학의 병목은 생산에서 흡수로 이동한다: 결과를 이해·내면화·정리·설명하고 인간 지식 체계에 배치하는 능력이 희소해진다.
9. AI는 수학의 접근성을 넓힌다: 비전문가와 인접 분야 연구자도 전문 문헌을 빠르게 이해하고 새로운 직관을 제시할 수 있다.
10. 응용 수학의 가속은 가장 직접적인 사회적 이익 중 하나다: 통신·암호·물리·공학에서 수학적 모델링과 증명의 속도가 빨라질 수 있다.

핵심 요약 (20줄)

1. GPT-5는 에르되시 문제의 문헌 상태를 약 5분 만에 확인하며 수학 연구 도구로서의 전환점을 만들었다.

2. 모델의 강점은 문헌 검색뿐 아니라 올바른 아이디어를 세부 조건까지 끝까지 실행하는 데 있다.

3. 인간 수학자는 시간과 위험-보상 비율 때문에 몇 주 뒤 포기할 접근을 모델은 계속 밀어붙일 수 있다.

4. Astra의 추론 흔적에는 유망한 경로 선택, 실패한 경로 폐기, 백트래킹, 확률 갱신이 나타난다.

5. 새 모델 세션을 병렬로 실행하면 이전 실패가 새 탐색의 문맥을 오염시키는 문제를 줄일 수 있다.

6. 완성된 수학 논문은 연구자의 동기와 시행착오를 숨기므로 실제 수학적 사고의 불완전한 훈련 자료다.

7. OpenAI는 수학 전용 모방보다 여러 분야에서 장기 추론을 수행하는 일반 목적 모델을 훈련한다.

8. 구면 포장은 고차원에서 동일한 구를 얼마나 조밀하게 배치할 수 있는지 묻는 오래된 문제다.

9. Cohn–Elkies 선형계획법은 특정 보조 함수와 푸리에 변환 조건으로 구 포장의 상한을 만든다.

10. Astra는 Cohn–Elkies 경계의 점근 지수를 약 0.6044로 닫아 1978년의 약 0.5991 경계를 개선했다.

11. Astra는 더 나은 경계를 주는 함수와 그보다 나은 함수가 존재할 수 없다는 사실을 함께 제시했다.

12. 구면 코드는 구면 표면의 배치 문제이고 이진 코드는 오류 정정을 위한 하이퍼큐브상의 코드워드 문제다.

13. 구면·이진 코드 개선은 구와 큐브의 대칭을 표현론으로 깊게 활용해 지수적 경계를 강화했다.

14. 코드 문제에서 “더 밀어붙여라”라는 인간의 추가 지시는 모델이 더 깊은 구조를 탐색하게 만들었다.

15. 감각은 추상적 미학보다 어려운 문제를 더 빠르게 풀기 위한 판단력으로 정의하는 편이 실용적이다.

16. 비소픽 군 결과는 모든 군이 유한 구조로 근사될 수 있다는 오랜 기대를 깨는 명시적 반례다.

17. 정수의 무한 직선이 유한 순환군의 큰 원으로 국소적으로 근사되는 현상은 소픽성의 직관을 제공한다.

18. 비소픽 군 증명은 약 15쪽의 섬세한 조합론과 기존 대수적 사실을 결합해 이전의 장애물을 제거했다.

19. AI가 증명을 대량 생산하면 수학자의 병목은 증명에서 이해·정리·설명·공동체적 흡수로 이동한다.

20. AI 수학의 긍정적 미래는 큰 미스터리와 응용 분야를 더 빠르게 풀고 더 많은 사람이 수학에 참여하는 데 있다.